基于信息熵的传感器目标定位的选择启发式.docx

摘要我们提出基于熵的传感器选择启发式本地化。鉴于1）的先验概率分布目标位置，和2）的位置和感应模选择一组候选传感器ELS的heuris抽动选择这样一个信息传感器，融合选择与前目标位置传感器观测平均分配会产生的最大或接近最大的目标位置的熵减少分布。启发式贪婪地选择一个传感器不检索任何实际的传感器观测的每一步。启发式也是计算远远超过简单的基于互信息的方法。电子ectiveness的吗？启发式评估使用本地化模拟为简单起见，假设高斯遥感模型。启发式是更多的电子ective时的最佳人选传感器是更多的信息。分类和主题描述H.1.1模式和原则：系统和在形成理论信息理论;C.2.4计算机通信网络：分布式系统TEMS|分布式应用一般条款算法，管理，理论关键词传感器的选择，信息资源管理，信息融合，目标定位，目标跟踪，线传感器网络，Shannon熵，互信息为使这项工作的全部或部分的数字或硬拷贝的权限被授予个人或教室使用不收费，副本没有或利润或商业利益的分配和副本承担本第一页上的通知，并充分引文。否则，复制再版，张贴在服务器或重新分配到列表，需要事先具体许可和/或费用。2004年4月26-27日，美国加州大学伯克利分校，IPSN04。版权1581138466ACM2004年/04/0004.$ 5.00。1 引言最近的微机电系统的收敛TEMS（MEMS）技术，无线通信和网络工作技术，低成本低功耗的小型挖的ITAL硬件设计技术已经取得了概念无线传感器网络中可行的和一个新的研究前沿1 2。有限板上储能有限无线信道容量是丝的主要制约因素较少的传感器网络。为了节约宝贵的资源，传感任务不应该涉及比更多的传感器的必要萨利。从信息论的观点，传感器点负责观察目标，以增加在有关目标的形成（或减少不确定性）状态。由于一个传感器的信息增益非常DI？时erent占森斯洛文尼亚统计局有二不同的观察角度和传感联合国确定性。利用信息传感器的选择性减少了需要，以获取有关信息的传感器目标状态，因此延长了系统寿命。在定位或跟踪的情况下，使用无线传感器网络，目标位置的信念状态可以是毕业生通过反复选择最翔实的开县改善未使用的传感器，直到所需的精确度（或不确定）实现目标状态水平。已经有一些调查信息传感器融合和管理的理论方法。“利用信息理论中的传感器管理理念RST提出8。传感器选择的基础上有望在形成增益引入分散式传感系统12电信设备制造商。相互之间的预测信息传感器观测和当前目标位置分布TION提出了评估预期的信息增益关于目标位置传感器11，6。另一方面，不使用信息理论，姚明ET。等。16发现，整体定位精度的不仅各个传感器的精度，但取决于也相对目标位置的传感器位置时ING的发展定位算法。我们建议一种新型的基于熵启发式传感器选择我们的经验与目标定位。它是计算，结盟更多的电子比互信息为基础的方法cient11提出。我们整个本文使用下列符号：1。S是一套可供选择的候选传感器，I 2 S传感器的指标;2。x是表示随机向量实现目标位置;3。XT是实际的目标位置;4。 x是目标最大似然估计的位置TION;5。xi是我传感器确定位置;6。梓是随机变量，它表示的实现关于目标位置的传感器我的观察;7。ZT我是我传感器对目标的实际观测位置;8。ZVi是随机变量，它表示的实现关于目标位置的传感器我的看法。本文的其余部分安排如下：第2节详细介绍了启发式。第3节评估启发式使用模拟。第4节讨论显示启发式crepancy之间的互信息为基础的方法。第5节概括今后的工作中。第6节最后的文件。第7条承认的提案2 传感器选择启发式这节。制定在传感器的选择问题，劳calization，提出基于熵的传感器的细节选择启发式，讨论之间的关系熵DIerence本文提出和相互信息mation有关传感器的选择以前的工作中使用。2.1传感器定位选择问题信息的措施有以下几种。在本文中，我们使用Shannon熵14，以量化的信息增益由于有关目标位置（或减少不确定性）传感器观测。我们采用贪婪传感器的选择基于互信息的方法11使用的策略，6。贪婪的战略逐渐减少的不确定性通过反复选择的目标位置分布目前最大的未使用的传感器预计信息TION增益。观察选定的传感器是纳入评价到目标位置的分配使用顺序贝叶斯ltering 3，7。贪婪的传感器选择和顺序信息融合的不确定性继续下去，直到目标位置分布是小于或等于所需的水平。贪婪的传感器的核心问题选择的方法是如何以电子邮件？ciently评估的预期由于每个候选传感器的信息增益出实际获取传感器数据。传感器的选择问题，制定如下。特定1。前目标位置分布：P（X），2。可供选择的候选人传感器的位置：第十一; I 2 S，3。可供选择的候选人传感器的传感模型：zijx）; P（I 2 S，目标是ND 我的传感器其观察Z 我最大限度地减少了预期的后路条件熵目标位置分布， I = arg的最小I2S（1）高（xjzi）：等价地，观察传感器 I最大的前-pected目标位置的熵减少， I= arg的最大I2S（H（X）的H（xjzi）：（2）H（X）H（xjzi）是一个表达的I（X; ZI），相互目标位置的x和预测之间的信息传感器观测子，（X; ZI）=P（X; ZI）的日志P（X;字）P（X）P（紫）dxdzi（3）其中p（X;字）=（zijx）P（X）和P（ZI）=？P（X; ZI）DX。因此，传感器观测我最大化的相互信息TION I（X;滋） I= arg的最大I2S我（X; ZI）：（4）根据传感器的选择（4）是最大的相互11提出形成标准。目标位置x可以是三个层面。传感器观测TION字（例如，在三维方向目标空间），可能是两个方面。因此，我（X字）在复杂的联合状态空间积分（X; ZI）高达VE的尺寸。我计算的复杂性（X;滋）比低端的有能力的传感器节点。如果观察梓涉及到目标位置x只通过苏？cient统计Z（x），则我（X; ZI）=（Z（X）;子）：（5）如果z（x）具有比x少的尺寸，然后我（Z（X）;字）复杂的计算，比我（X; ZI）。在上述特殊SCE纳里尼奥，我（Z（X）;子）已建议，以取代I（X; ZI）减少计算互信息的复杂性11。在本文中，我们提出另一种基于熵传感器的选择启发式。在一般情况下，基于熵的森SOR选择启发式计算简单得多基于互信息的方法。然而，OB-启发式选择传感器守恒仍然平均产量最大或接近熵减少目标位置分布。2.2 Entropybased传感器的选择启发式在无线传感器网络的发展本地化，我们已经观察到的，本地化的不确定确定性减少由于传感器是大大？ected的迪？erence两个数量，即熵有关目标的分布位置，该传感器的观点TION，该传感器的传感模型的熵实际的目标位置。关于目标位置的传感器的看法是几何该传感器的观测目标位置投影到TION角度。例如，方向到达（方位）传感器的目标位置的看法是从方向传感器的目标。有关目标的传感器我的看法位置记为ZV我，这是一个目标函数位置x和第十一传感器的位置，ZVI = F（X;十一）：（6）ZV我通常有小于x的尺寸。的概率分布tribution关于目标位置的传感器我认为，P（ZVI），是预测的目标位置分布P（X）上的传感器我的观察角度，P（ZVI）dzv我=ZVI F（X; 11）？ZVI + dzv我P（X）DX：（7）另外，P（ZVi）不能被视为无噪音“基于传感器观测分布p（ZI）的预测目标位置分布P（X）。在实践中，目标位置的状态空间和传感器的观点可以由肛门griding数值离散ysis。p的离散表示（ZVI），可以计算如下。1。设X是设置网格的目标位置的x;2。设Z是传感器的视野，ZV设置网格我;3。对于每个网格点ZV2 Z，初始化p（ZVi）至零;4。X为每个网格点x 2，确定相应的网格点ZVI 2 Z使用公式（6），并更新其概率P（ZV的能力，I）= P（ZVI）+ P（X）;5。正常化P级（ZVi）为使总概率孙中山SOR认为是1。数值计算的P（ZV我一个方位传感器）说明;1和图。2。的角度概率分布的熵传感器I，HV我是HVI =P（ZVI）的log P（ZVI）dzv我：（8）由于离散的P代表（ZVi）与网格大小？ZV我，HV我可以数值计算HVI =P（ZVI）的log P（ZV我ZV）？我：（9）我的传感器的传感模型的实际目标位置XT是P（zijxt），它描述的概率分布传感器的观察，我的目标是在XT。“遥感模型，包括从所有观测的不确定性来源，包括信号噪声腐败的信号信号的传感器估计算法建模误差，传感器硬件的误差。为一个单一的模式目标位置分布P（X），我们可以使用 x的目标位置的近似最大似然估计XT实际的目标位置。因此，熵的SENS传感器我的模型是实际的目标位置XT近似为HSI =P级（zij X）的log P（zij X）天珠：（10）对于一个多模态的目标位置分布P（X）与M峰 X（M），M = 1，.，M，熵的遥感XT的实际目标位置传感器我的模型可以近似熵的加权平均遥感模型适用于所有模式，HSI =中号M = 1P（ X（M）P（zij X（M）日志P（zij X（M）天珠：（11）给定一个目标位置分布P（X），目标位置最大的可能性或当地最大的可能性可以被发现使用标准的搜索算法。我们已多次指出，成立传感器具有更大的熵DI我的观察？erenceHV我HS我产生平均水平的降低在不确定确定性的后目标位置分布P（xjzi）。因此，鉴于之前的目标位置分布和一组位置和感应的不确定性模型，候选选择的传感器，熵DI？erence暖通我HS我可以排序万亩，到近的顺序相同的候选人传感器互信息（X; ZI）。SPECI美云，与传感器最大熵erence暖通DI？我HS我也有最大imum或近的最大互信息I（X; ZI）。因此，我们建议使用熵DI？erence暖通我HS我作为另一种选择;互信息我（子x）最翔实的传感器。基于熵启发式计算暖通我HS每名候选人传感器I 2 S i和然后选择传感器 I这样， I= arg的最大I2S（HV我HSI）：（12）在派。3，启发式的有效性评估模拟和复杂的启发式分析二维定位。基于熵的森SOR选择启发式工作近以及相互信息化的方法。此外，启发式计算比互信息简单得多。图1：一个方位传感器的有关目标的看法位置。目标位置的状态空间1细胞中的网格化。形象描绘了PROBAbility分配的目标位置。实际目标位置是（200，200），标记+表示。表示从方位传感器的角度平方米，只有方向，目标是观察。有关的方位传感器目标是在区间36O，38O当且仅当目标是36O线内的部门分隔38O线。图2：一个离散概率分布方位传感器的观点。状态空间的DOA传感器的看法是在2O间隔网格。目标卤味阳离子分布和方位传感器的位置说明;1。标记X表示的PROBAbility的DOA视图区间36O，38O，这是总结所有目标位置的概率36O线和38O线内的部门分隔图。1。请注意，传感器的视野，分布bution不取决于传感的不确定性在所有特性。2.3熵差分的关系和互信息简要分析的熵DI之间的关系？呃ENCE暖通我HS我和互信息I（X; ZI）有助于重新我们的传感器选择启发式牛肉的基本属性。互信息I（X;滋）有另一种表达方式，即高（子）的H（zijx）。熵DI？erence暖通我HS我密切涉及到H（ZI）的H（zijx）。H（ZI）是熵预测的传感器观测分布P（ZI），高（ZI）=P（ZI）日志P（紫）天珠：（13）预测的传感器观测分布p（ZI）变为传感器的分布P（ZVi）当遥感模型P（zijx）是没有不确定性的确定性。的不确定在遥感模型P（zijx）的确定性的H（ZI）大于传感器的观点熵在高压我的定义（8）。HV我密切APproximates的H（子）时，熵的遥感模型P（zijx）小相对暖通一。实际上H（zijx）预期熵的遥感模型P（X）平均为所有可能的目标位置，H（下zijx）=P（X;字）日志P（zijx）的dxdziP级（X）FP（zijx）的日志P（zijx）的dzigdx：（14）当P（X）是一个单一的模式分布，HSi是定义在（10），这是最熵的遥感模型可能的目标位置估计 X。当P（X）是一个多模态分布，HS我是定义（11），这是断言年龄熵的所有目标位置与遥感模型当地最大的可能性。当熵的遥感模型，？P（zijx）日志P（zijx）的天珠，逐渐变化，用XHS我可以合理近似H（zijx）。熵DI？erence暖通我HS我相当接近相互信息H（ZI）的H（zijx）HSi是小相对成hv我和熵的遥感模型的变化逐步与x。然而，选择最信tive传感器不需要传感器的准确评估信息的工具。相反，在传感器的顺序信息的工具是必要的。HV我HS我可以排序传感器到约互信息的顺序相同一样。因此，传感器与最大熵DI？ER-ENCE暖通我HS我也有最大或接近最大互信息。熵之间的关系erence暖通DI？我HS我和互信息I（X;滋）是全日空lyzed使用模拟派。3。第4节讨论启发式和相互的信息之间的差异TION基于方法。3 启发式评估这节。提出了基于熵评价使用模拟传感器的选择启发式。在计算启发式tational复杂性进行了分析。“高斯噪声模型已被广泛认为传感器许多本地化的观察和跟踪算法，例如卡尔曼滤波器9。对这些算法的成功表明高斯遥感模型是合理的的一阶逼近的现实。作为一个起点，我们假设在评价高斯测量模型模拟tions为简单。简单的高斯测量模型sumed在这里是不准确的，尤其是当传感器是非常接近目标。为了避免过度简化对外债务问题传感模拟模型，我们只分析传感器一些中距离范围内的目标。在heuris-议会将进一步在更真实的遥感评价在未来的车型。四个传感器的选择方案本地化已研究。其中三个涉及的DOA传感器，距离传感器，或时间DI？erence到达（时差）传感器分别。其中一个涉及上述所有传感器混合在一起。在每一个传感器的选择的情况下，熵erence暖通DI？我HS我和相互信息TIONI（X;ZI）为所有候选人的评审和比较传感器。在所有传感器的选择方案中，熵DIER-？ENCE暖通我HS我可以整理成几乎所有的候选传感器互信息相同的顺序I（X;ZI）。因此，传感器与最大熵DI？erence暖通我HS我SE-启发式所选始终具有最大或接近最大互信息I（X;ZI）。较大的熵erence暖通DI？我HS我和互信息I（X;子），较为一致的传感器选择决定。3.1方位传感器的选择现在考虑基于熵的传感器选择时，都可以这种古老地壳混传感器方位传感器，在图。3。“先验概率分布P（X）的目标位置的x在有限的面积非零。假设持平高斯，西安遥感模型在一些中等距离的方位传感器范围的目标。SPECI美云，定一个目标位置，如10Kx第十一K？600，概率分布方位观察子被认为是P（zijx）=1？P2？（子ZVI）2=（2）（15）;其中ZVI =F（X，XI）是我从传感器的方向目标位置的x。对于许多DOA估计算法如近似最大似然算法（AML）的4，DOA估计通常会变得更加不确定当候选人传感器是非常接近或很远从目标。在这种情况下，我们排除传感器以外的研究领域，或在距离10面积非零P（X）。熵DI？erence暖通我HS我和互信息I（X;字）方位传感器进行评估，并已经比较案件。在每一种情况下，高斯遥感模型相同标准偏差？承担了所有的100候选人森斯洛文尼亚统计局。然而，标准偏差？会随情况。在G所示。4，互信息I（X;滋）与熵DI？erence暖通我HS我是绘制所有候选人在所有情况下的传感器。互信息I（X;ZI）增加近单调熵DI？erence暖通我HS一。较大的熵DI？erence暖通我HS我和相互信息mation我（X;ZI），它们更多相关。因此，熵DI？erence暖通我HS我在近排序方位传感器互信息相同的顺序I（X;ZI），尤其cially时熵DI？erence暖通我HS我是大的。“建议启发式选择的候选人方位传感器拥有最大熵erence暖通DI？我HS我也有最大互信息I（X;ZI）。3.2选择范围传感器时差传感器此分节。评估基于熵的传感器选择启发式的范围传感器和时差传感器分别。图5显示了传感器的选择方案中，所有候选人传感器只能测量范围内的焦油得到的。先验概率分布P（X）的目标在有限的面积，位置x是非零。我们假设持平高斯遥感模型P（zijx）的范围传感器用13。当实际的范围是相对较小的标准偏差？高斯遥感模型，P（zijx）signi cantly大于零甚至为负值范围观察滋。因为负值范围有没有物理意义，上述高斯遥感模型是不是有效的短距离。为了避免上述DI？culty的高斯遥感模型，我们只考虑候选人在一些中距离范围内的传感器的目标。特定的ically，在此范围内的传感器选择的情况下，我们排除研究区外或内的传感器32面积非零P（X）的距离。图6显示了传感器的选择方案，其中只有用于时差传感器。先验概率分布目标位置的x的P（X）是非零，在一个有限的区域。如15，信号到达时间DI？erence观察每时差的传感器是一个共同的参考传感器。我们还承担公正的高斯遥感模型P（zijx）为时差传感器。以与情景相媲美方位传感器和距离传感器，我们只考虑时差在中等距离传感器的目标。SPECI美云，我们排除时差的传感器，外的研究面积或面积非零P（X）的距离在10。按照同样的方法来启发式评估方位传感器，熵erence暖通DI？我HS我和相互每名候选人传感器的信息，我（X; ZI）进行评估比较图范围内的传感器在选择方案。5和时差传感器图选择方案。6分别tively。互信息I（X; ZI）对熵二erence的吗？HV我HS我在图绘制。7，所有范围内的传感器和图8时差传感器。在这两种情况下，中，相互形成I（X; ZI）增加近单调熵erence暖通DI？我HS一。熵越大ER-DI？ENCE暖通我HS我和互信息I（X; ZI），越相关他们。使用建议的启发，无论是所选范围内的传感器和选定的时差传感器有最大熵erence暖通DI？我HS我也有近最大互信息I（X; ZI）。图3：本地化传感器的选择方案独家使用方位传感器。形象描绘先验概率分布P（X）的目标位置的x。P（X）是零以外的实心矩形。实际的目标位置是（200，200），记标记+。平方代表候选人的DOA孙中山选择斯洛文尼亚统计局为。100方位传感器是一致随机放置的虚线框之外。“实心矩形和虚线矩形的差距角为10。图4：互信息I（X;滋）与熵DIF干扰暖通我魛HS我的方位传感器。每个符号的备注（HV我魛HS我，我对（X字）评估一个候选最新的传感器。前目标位置分布和候选人传感器存款的显示图3。5例不同的标准偏差高斯遥感模型研究。在每个情况下，所有的候选传感器被认为有相同的值。3.3混合传感器的选择为了评估基于熵的传感器选择启发式跨迪感应方式不同，这种分节。是致力于传感器的选择方案中的哪一位候选人传感器方位传感器，距离传感器和混合TDOA定位传感器。图9显示了混合传感器的选择方案，候选传感器。每名候选人的传感器是随机分配的三种检测方式之一，即方位，范围，时差。高斯遥感模型假定所有的CANdi中等距离目标日期传感器。每候选人传感器也被随机分配VE值之一标准偏差？遥感模型，即2，4，8，16和32。100个候选传感器是一致随机放置于前目标位置附近估计。为了避免高斯DI？到头方位传感器和距离传感器接近传感模型的目标，我们排除传感器以外的研究领域或非零面积前32的距离内目标位置分布P（X）。熵DI？erence暖通我HS我和互信息我（X;ZI），每名候选人传感器进行评估，并密谋泰德图。10。暖通之间的相关性我HS我和我（X;滋）混合传感器是非常类似的相关性与暖通我HS我和我（X;ZI）模态与单传感器ITY。在各种传感方式，互信息I（X;ZI）增加近单调与熵的不同干扰暖通我HS一。因此，跨各种传感modali-关系，与最大熵DI候选人传感器？ER-ENCE暖通我HS我建议启发式选择，有最大互信息I（X;ZI）。图5：本地化传感器的选择方案使用范围传感器。形象描绘前目标位置的x的概率分布P（X）。P（X）是零以外的实心矩形。实际目标位置是（200，200），标记+表示。各界代表为候选人范围传感器本身经文。100范围内的传感器是均匀随机放在外面的虚线框。差距是之间的实心矩形虚线框是32。3.4计算复杂性计算复杂性分析的一个重要组成部分启发式评估。我们将分析COM启发式的复杂性和比较复杂相互信息为基础的方法。对于两维定位，目标位置的x二维的。该传感器的看法ZV我的目标位置TIONx是一维的。传感器观测子是一个立体感。我们假定所有的随机变量是网格DED的数值计算。SPECI美云，面积不平凡的P（X）是网格成n？N。不平凡的P（ZI）或p（ZV间隔i）是也分为n格点。我们假设有可供选择的的候选人传感器。K是通常小的数目。建议启发式评估熵DI？erenceHV我HS我所有的传感器，然后选择一个最大的暖通我HS一。（7）所示，P（ZVI），可以计算从P（x）的成本为O（n2）。（8），HV所示我可以计算P（ZVi）与成本为O（n）。所示（10）（11），HS我可以从P（zijx）计算成本为O（n）。“成本计算暖通我HS一名候选人传感器，我是O（N2）。因此，启发式的总成本的选择之一K的候选传感器是O（N2）。基于互信息的方法评估亩互信息（X;ZI）所有的传感器，然后选择我最大（X;ZI）之一。（3），I（X;子）可直接与成本计算P（X）和P（zijx）O（N3）。因此，总成本的选择之一的K-这种古老地壳混传感器是O（N3）。正如我们前面提到早在分节。2.1，互信息的计算成本（X;字）在某些特殊情况下可以减少。在一般情况下，如何以往，启发式计算远远超过简单的基于互信息的方法。图6：本地化传感器的选择方案使用时差传感器。形象描绘前目标位置的x的概率分布P（X）。P（X）是零以外的实心矩形。实际目标位置是（200，200），标记+表示。三角形代表候选人时差传感器选择。每时差观察是相对一个共同的参考传感器记标记。100时差传感器的均匀随机放置虚线框之外。之间的差距实心矩形虚线框是10。4 之间的差异启发式和互信息所示派。3，当互信息I（X;字）接近0位熵DIerenceHV我魛HS我可能不会到相同的顺序完全一样的排序候选传感器互信息。这种差异是由分散熵DIerenceHV之间的相关性我魛HS我和互信息I（X;子）时亩互信息是小的。在这节，我们研究相关色散和评估其影响，在显示屏上crepancy的基于熵的传感器选择决定启发式和基于互信息的方法4.1色散在此分节中，我们描述的色散心病熵DI？erence暖通关系我HS我和互信息I（X; ZI）时，互信息小。我们还研究等相关的可能来源分散。关闭的相互凸起部分的考试在形成与熵DI？在的图erence曲线。7和图。8揭示了互信息之间的相关性我（X;子）和熵DI erence HV？我HS我是不严格单调的。相反，有明显的分散心病关系。凸的部分对应的局势候选人传感器是不是很丰富，因为相互之间的目标位置信息分布TION和传感器观测是接近0位。在另一也就是说，当候选人传感器是不是很丰富，熵erence暖通DI？我HS我可能不是候选人传感器进行排序到互信息I（X;滋）不相同的顺序。鉴于集的候选传感器的观测可以只有少量的不确定性减少的目标，劳阳离子分布的基础上选定的传感器最大熵erence暖通DI？我HS我可能不会有最大互信息I（X; ZI）。因此，有可能是传感器的选择决定之间的差异基于熵的启发式和互信息如果没有候选人传感器为基础的方法是非常丰富的。可能有多种原因，这些相关色散锡安之间的熵DI？erence暖通我HS我和相互我的信息（X; ZI）。正如在分节。2.3，EN-熵erence暖通DI？我HS我可以被看作是一个近似互信息I（X; ZI）。因此，为了孙中山熵DI？erence暖通排序斯洛文尼亚统计局我HS我本质上是该互信息的逼近我（子X）。在实践中，状态空间的离散焦油获得随机变量的位置和传感器的视野，随机变量还可能引入的评价不准确高压一。此外，（10）和（11），最大目标位置的可能性估计是用来近似交配的实际目标位置进行评估时，熵实际目标位置的遥感模型。图7：互信息I（X;子）和熵DIF干扰暖通我魛HS我范围senors。每个符号的备注（HV我魛HS我，我对（X字）评估一个候选最新的传感器。前目标位置分布和候选人传感器存款的显示图5。5例不同的标准偏差高斯遥感模型研究。在每个情况下，所有的候选传感器被认为有相同的值。图8：互信息I（X;子）和熵DIF干扰暖通我魛HS我时差senors。每个符号的备注（HV我魛HS我，我对（X字）评估一个候选最新的传感器。前目标位置分布和候选人传感器存款的显示图6。5例不同的标准偏差高斯遥感模型研究。在每个情况下，所有的候选传感器被认为有相同的值。4.2影响在此分节，我们研究的分散性的影响熵DI？erence暖通之间的相关性我HS我和互信息I（X; ZI）时的相互信息mation是小的。分析表明，这种相关分散导致很少退化质量基于熵启发式传感器选择决定。由互信息的凸部分所示与熵DI的？erence曲线图。7和图。8，有分散的熵DI之间的相关性？erenceHV我HS我和候选人时，互信息I（X; ZI）传感器是不是很丰富。我们模型等分散由IL-平行四边形范围内使用均匀分布lustrated图。11。候选人传感器可以承担任何位置（HV我HS我，我（X字）在平行四边形统一的可能性。正如图所示。11，几何平行四边形是由A，B和C参数的定义。a是erence暖通二熵的变化范围？我HS我之间候选传感器集。c表示的变化范围之间的一套CANdi的互信息I（X;滋）日期传感器。B描述的分散程度相关熵DI？erence暖通我HS我和互信息I（X; ZI）。虽然有界制服分布是不准确的，它捕获的主要特点相关色散透露由教派模拟。3。我们选择这个简单的扩散模型。作为第一阶近似，简单扩散模型确实有助于揭示一些主要特征的影响基于启发式传感器的相关分散SE-经文。一个典型的色散情况如图所示。11。互信息I（X; ZI）不同的候选传感器从0位到1位。相应地，熵DI？erenceHV我HS我2位候选人传感器0位。对于任何值熵DI？erence暖通我HS我驱散互信息I（X; ZI）为0.1位。鉴于上述情况情况下，我们运行10; 000模拟。在每个模拟8候选人传感器随机假设他们（HV我HS我，我（X字）对指定分散范围内。在每个仿真 -TION，我们确定最大熵的传感器是erence暖通二熵的变化范围？我HS我之间候选传感器集。c表示的变化范围之间的一套CANdi的互信息I（X;滋）日期传感器。B描述的分散程度相关熵DI？erence暖通我HS我和互信息I（X; ZI）。虽然有界制服分布是不准确的，它捕获的主要特点相关色散透露由教派模拟。3。我们选择这个简单的扩散模型。作为第一阶近似，简单扩散模型确实有助于揭示一些主要特征的影响基于启发式传感器的相关分散SE-经文。一个典型的色散情况如图所示。11。互信息I（X; ZI）不同的候选传感器从0位到1位。相应地，熵DI？erenceHV我HS我2位候选人传感器0位。对于任何值熵DI？erence暖通我HS我驱散互信息I（X; ZI）为0.1位。鉴于上述情况情况下，我们运行10; 000模拟。在每个模拟8候选人传感器随机假设他们（HV我HS我，我（X字）对指定分散范围内。在每个仿真 -TION，我们确定与最大熵DI？erence暖通传感器我HS我和最大的传感器亩互信息（X; ZI）。随着87:8的机会，传感器基于熵的启发式选择也有马克西妈妈相互信息。即使启发式失败选择最大互信息的传感器，选择传感器的互信息是平均只有约0:026位小于最大互信息。总体而言，传感器的互信息选择基于熵的启发式是（187:8）= 0:0032 0:026？少一点比最大互信息。因此，大部分时间，不会造成相关色散传感器之间的选择决定的差异基于熵的启发式和基于互信息方法。在所有基于熵启发式介绍很少退化传感器的质量选择去cision甚至候选人传感器时，不是非常翔实。我们已经分析了相关的影响色散二，A，B，C erent CON gurations锡安，而且数量候选传感器。表1中，A = 2位，B = 0:1位和C = 1位被固定。我们只有改变数量的CANdi日期传感器。启发式成功的机会选择与最大互信息的传感器折痕作为候选人传感器数量的增加。何时启发式的失败，选择具有最大的传感器相互交流信息，退化的传感器选择基于启发式cision相比，对基于互信息的数量不会改变候选人传感器。因此，传感器的整体退化基于启发式的选择决策相比，基于互信息的数量也增加候选传感器升幅。表2中，2位和c = 1位被固定和候选传感器的数量被固定为8。我们只改变分散宽度b。启发式的机会最大互信息的传感器成功地选择降低为分散宽度b增加。启发式失败时，传感器的选择与最大imum相互交流信息，传感器的选择性降解TION基于启发式的决定相比，基于互信息为分散宽度增加B的增加。因此，整体退化传感器的选择基于启发式的决定相比，在基于互信息也增加为分散的宽度b增加。表3中，2位和b = 0时01分位固定和候选传感器的数量被固定为8。我们只有改变互信息变化范围C。“启发式的机会，成功地选择传感器最大互信息，增加相互信息的变化范围C增大。启发式失败时，选择与最大互信息的传感器TION，基于传感器的选择决定的退化启发式相比，基于互信息mation没有太大变化的互信息变化范围C。因此，传感器的整体退化基于启发式的选择决策相比，基于互信息随着信息的相互mation变化范围C增大。表4，B = 0:1位固定和数量可以这种古老地壳混传感器被固定为8。我们按比例改变熵DI？erence变化范围a和相互-地层变化范围C，使C = A = 1 = 2被固定。“启发式的机会，成功地选择传感器最大互信息熵增加DI？erence变化范围和互信息变量ATION范围C按比例增加。当启发式没有选择的最大互传感器信息mation，基于传感器的选择决定的退化相比，相互基于启发式形成不会改变。因此，整体退化基于启发式传感器选择决定相比，基于互信息熵减小DI？erence变化范围和互信息变量ATION范围C按比例增加。图9：为本地化传感器的选择方案TION使用各种形式的传感器。将IM-年龄描绘的先验概率分布P（X）目标位置的x。P（X）是零以外的固体矩形。实际的目标位置是（200，200）记标记+。正方形，圆，三角形表示方位传感器，距离传感器和时差分别传感器。每一个TDOA的观测TION是一个共同的参考传感器的相对所指出的标记。每个传感器随机选择是一个方位传感器，距离传感器，或1时差传感器。每个传感器也被随机分配VE的标准偏差值高斯仙遥感模型，即，2，4，8，16，32。“一个符号的大小表示数量级。100各种传感方式和价值观念的传感器均匀随机放在外面的虚线矩形。实心矩形和之间的差距虚线框是32。图10：互信息I（X;滋）与熵二erenceHV我魛HS我混合senors。每个符号表示（HV我魛HS我，我对（X字）评估一个可以候选传感器。前目标位置分布和候选人传感器存款的显示图9。图11：基于熵之间的差异传感器选择启发式和相互信息TION根据接近时，候选人传感器不是很翔实。分散的对应相关特征研之间的熵DIerenceHV我魛HS我和互信息I（X;ZI）为蓝本由单向形式分布范围内的平行四边形。“平行四边形的几何定义参数-etersA，B和C。记为候选人传感器标记的坐标是（HV我魛HS我，我（X字）。基于熵的启发式选择最右边的传感器，它具有最大熵二erenceHV我魛HS我和封闭方形标记。“基于互信息的方法选择顶端传感器，它具有最大互信息我（X;子）附上由一个菱形的标记。上述两个传感器的选择未必是相同。在这个古雷的情况下，A =2位，B =0:1位，C =1位，8个候选传感器可用供选择。表1：传感器的数量变化的影响候选人传感器数量4 8 16成功的机会（）93.687.878.2退化故障（位）0.0260.0260.026整体退化（位）0.00160.00320.0058表2：色散宽度变化的影响分散宽度B（位）0.05 0.10.2成功的机会（）93.687.878.1退化故障（位）0.0130.0260.054整体退化（位）0.00080.00320.012表3：变化与相互信息的影响。范围相互信息。范围C（位）0.5 1 2成功的机会（）78.287.893.6退化故障（位）0.0270.0260.025整体退化（位）0.00580.00320.00165 未来工作5.1前目标位置分布当传感器被选定为跟踪暂时CON-连续源，之前的目标在时间的分布位置T +1后的目标位置可从显示在时间t使用目标动态模型去tribution11来描述。然而，当传感器选择启发式定位时间不连续的源，如鸟呼叫，它是不能直接获得前目标位置分布在连续贝叶斯融合。上述问题的一个可能的解决方案可能是如下。首先，所有的传感器BUER信号的事件，如鸟呼叫一次检测。然后，所有触发的传感器选出一个领导者，收到最强信号强度我们 -ING10中描述的类似的协议。最后，领导者可以挑选几个传感器，产生一个初始事先焦油位置分布假设一定的遥感模型。与最初的前目标位置分布，我们可以适用于传感器的选择启发式逐步减少目标位置分布的不确定性。我们计划上述机制，在未来的实施和测试。表4：与熵迪的影响变化。范围C和互信息。范围中的比例熵迪。范围（位）1 2 4相互信息。范围C（位）0.5 1 2成功的机会（）78.287.893.6退化故障（位）0.0260.0260.026整体退化（位）0.00580.00320.00165.2离散状态空间是在离散状态空间计算效率和数值的准确性贸易如目标位置和传感器的视野，随机变量。电网规模越大，减少电网参与计算。然而，更大的网格大小还引入了更多的不准确的评价熵二erence启发式。在未来，我们必须学习更多的细节，以便选择适当的有关贸易网格的大小。5.3遥感的不确定性模型我们假设在模拟评估启发式的第一步高斯测量模型。不准确的活泼的遥感模型削弱任何电子邮件ectiveness传感器的选择标准。我们计划建设一个更现实的感应AML基于DOA估计的模型。我们已经实现实时的方位反洗钱算法估计在无线传感器网络测试平台5。我们RST将分析检测的不确定性特征“反垄断法”的算法，然后实验验证重新NE它使用的测试平台。我们还将